HOF特征+MBH特征
HOF特征+MBH特征
上文学习了HOG特征,了解了HOG是这样的计算过程。接下来学习HOF特征和MBH特征,不足之处,还望指正!
1.HOF特征
1)概念
HOF(Histograms of Oriented Optical Flow)是计算光流方向的直方图,通常用于Action Recogntion中。而HOG则是计算图像梯度方向的直方图
2)提出原因
一方面,光流对于运动方向,背景变化敏感。另一方面,在动作识别中,相应的光流特征描述子的维度在变化。于是,需要寻找一个基于光流的既能表征时域动作信息,又对尺度和运动信息方向不敏感的特征。这就是HOF的由来。
3)计算步骤:
1.计算光流,对于光流法,参考
2.统计直方图
计算光流矢量与横轴的夹角,根据角度将其投影到对应的直方图bin中,并根据该光流的幅值进行加权(消除背景的影响!)
v表示光流,θ表示光流方向,b表示直方图第几bin,B一般表示要投影到对于直方图的bin数,如下例则表示是4
当角度落在范围时,
其幅值作用到直方图第b个bin中最后归一化直方图。
3.归一化
补充:
- 以横轴为基准计算夹角能够使HOF特征对运动方向(向左和向右)不敏感。
- 通过归一化直方图实现HOF特征的尺度不变性。
- HOF直方图通过光流幅值加权得到,因此小的背景噪声对直方图的影响微乎其微。
- 通常直方图bin取30以上识别效果较好。
2.MBH特征
学习了HOG和HOF后,MBH(Motion Boundary Histograms)也就相对好理解了!通俗来说,MBH是对光流图像视为x方向和y方向的灰度图像,然后提取这些灰度图像的梯度直方图。也就是MBH特征是分别在图像的x和y方向光流图像上分别计算HOG特征!
由上图可以看出,MBH特征的计算效果就是提取了运动物体的边界信息(也因此被称为Motion Boundary Histograms),在行人检测这个应用场景能起到不错的效果。此外,其计算也非常简单方便,易于使用。
参考自 (1)https://blog.csdn.net/u013089961/article/details/44981815
(2)https://blog.csdn.net/wzmsltw/article/details/52752587
posted on 2018-08-08 17:05 Magic_chao 阅读(...) 评论(...) 编辑 收藏
HOF特征+MBH特征相关推荐
- 行为识别笔记:HOG,HOF与MBH特征
在行为识别的iDT算法中,主要使用了HOG,HOF,MBH和Dense Trajectory四种特征.这里主要对前三者进行介绍. 1. HOG特征(histogram of gradient) 此处H ...
- K-近邻算法之特征工程-特征预处理
K-近邻算法之特征工程-特征预处理 1 什么是特征预处理 1.1 特征预处理定义 scikit-learn的解释 provides several common utility functions a ...
- 特征工程+特征组合+特征交叉+特征变换+生成特征
特征组合+特征交叉(交叉特征,组合特征,特征组合)+特征变换+生成特征+特征提取+ 特征缩放+特征选择+特征分箱+时间特征+特征关联+文本特征+特征采样 特征关联---->corr() 特征分箱 ...
- orb特征 稠密特征_特征点的基本概念和如何找到它们
一.什么是特征点,它具有什么"特征"? 特征点.角点.关键点,这些概念虽然有细节上的不同,但是在我们这里统一称为"特征"点,也就是具有特征性质的点.在图像处理中 ...
- pcl点云特征提取 法线估计 PFH FPFH NARF 惯量偏心矩 RoPs特征 视点特征直方图VFH GASD特征
pcl点云特征提取 法线估计 PFH FPFH NARF 惯量偏心矩 RoPs特征 视点特征直方图VFH GASD特征 博文末尾支持二维码赞赏哦 _ 如果要对一个三维点云进行描述,光有点云的位置是 ...
- 特征,特征维度,特征深度
关于神经网络中的特征,特征维度,特征深度的一些问题 是不是卷积深度浅的叫低维特征? 不完全正确.卷积深度浅的特征通常被称为浅层特征,而低维特征通常是指特征的维度较低.在深度学习中,卷积深度通常指卷积神 ...
- 利用python声音处理库librosa提取声音信号的mfcc特征及特征融合
利用python库librosa提取声音信号的mfcc特征及特征融合 前言 librosa库介绍 librosa 中MFCC特征提取函数介绍 解决特征融合问题 总结 前言 写这篇博文的目的有两个,第一 ...
- 特征工程--特征离散化的意义
连续特征的离散化:在什么情况下将连续的特征离散化之后可以获得更好的效果? Q:CTR预估,发现CTR预估一般都是用LR,而且特征都是离散的.为什么一定要用离散特征呢?这样做的好处在哪里? A: 在工业 ...
- 机器学习之特征工程--特征预处理(上)
机器学习特征工程--特征预处理(上) 最近又重新看了下常用的特征预处理方法,主要来源是sklearn官方文档,一些关键信息记录下,留存用,有些乱和杂,抽时间再整理. 此为上篇,主要包括:线性转化,非线 ...
最新文章
- mysql打印语句_大数据挖掘—(八):scrapy爬取数据保存到MySql数据库
- JSP自定义标签学习笔记
- How to connect iOS simulator to Chrome for debugging
- jio文件 久其_功能强大的Windows文件管理器工具
- 微小宝公众号排行榜_榜单 广东省技工院校微信公众号排行榜(第51期)
- Intellij IDEA IDE 运行Sphinx-4 DEMO helloworld出现空...
- python代码换行快捷键_python中怎么代码换行
- 统计学从数据到结论(第四版) pdf
- 基于单片机的音频信号分析仪毕业设计
- TPC,TPCC,TPMC(计算机性能衡量指标) -----
- U盘格式化后 容量变小如何解决
- VMware 虚拟SCSI、SATA 和 NVMe 存储控制器条件、限制和兼容性
- 深度学习入门(六)——softmax函数的改良
- 使用Golang编写Android应用
- Scratch少儿编程教培系统源码下载
- ffmpeg——压缩mav格式音频
- iOS开发常用国外网站清单
- 李永乐数学基础过关660题线性代数选择题
- linux daemon安装教程,daemontools安装和使用
- 二十五、使用Multisim设计一个自动售饮料机的逻辑电路